GNU grep 和复合模式

Question

我已阅读 why GNU grep is fast 以及 Boyer-Moore 的实现，但我真正想知道的是 grep 如何与 pat1|pat2 甚至 [ABC] 等复合模式一起工作。

grep 是在构建解析树吗？还是像检查简单模式列表一样检查复合模式？

到目前为止，我还没有找到任何解释它的合理网站。

我们将不胜感激快速解释和参考。

Answer 1

除了阅读代码，正如评论中所建议的那样，最好的起点是Russ Cox's interesting and readable essay 正则表达式匹配。 Russ 描述了构造 DFA（确定性有限自动机）的算法，并提到 grep 和 awk 都使用该算法的变体。

这些实用程序的 Gnu 版本使用 Thompson's NFA construction algorithm 之类的东西构造 non-deterministic finite automaton (NFA)，然后按照 Russ 的建议，懒惰地构造相应的 deterministic finite automaton (DFA)，以避免 NFA->DFA 算法中潜在的指数爆炸。 powerset construction 算法的延迟执行不需要对该算法进行任何更改；它只是按需进行所需的计算，保留计算出的 powerset 的缓存。如果缓存大小超过某个限制，则会删除缓存条目以为新条目腾出空间。

GNU grep 还包括许多优化，旨在使其在实践中使用常见模式更快地工作，这些优化使代码相当复杂。然而，如果你想开始阅读源代码，你可以从 Gnulib 中的函数开始，用于 NFA->DFA 转换算法在dfa.c（函数dfaexec_main，它既可以通过 DFA 又可以按需计算新状态），以及文件regcomp.c（函数re_compile_internal）中的NFA构造。

---

既然在评论中提到过，我应该澄清一下，OP 所谓的“复合模式”实际上只是在其中一种伪装中使用交替运算符 | 的模式（包括可选运算符?，可以写成(...|)。和字符类，它们只是交替的紧凑表示，正如 Russ 在链接文章中指出的那样。）

“复合模式”还有另一种可能的含义，因为 grep 允许指定多个模式，或者通过多次使用 -e 命令行参数，或者通过使用 -f 选项从一个文件，每行一个。然后，Grep 对所有模式执行同时搜索，您可以将其视为复合搜索。但是，这实际上与简单的交替没有什么不同；在内部，grep 只是将所有选项连接到一个长正则表达式中，并在将其编译为单个 NFA 之前使用交替运算符进行标点。